Grok Speech to Text and Text to Speech APIs

xAI 的 Grok Speech to Text and Text to Speech APIs 为应用提供转录与语音生成，支持 REST 和 WebSocket、25+语言、自然 TTS，以及按用量计费。

概述

Grok Speech to Text and Text to Speech APIs 是 xAI 面向开发者提供的独立音频端点，适用于需要在应用中实现语音识别和语音合成的场景。该产品提供两个独立 API：用于转录的 Grok STT，以及用于生成语音的 Grok TTS。

这些 API 基于驱动 Grok Voice、Tesla 车辆和 Starlink 客户支持的同一技术栈。xAI 将其定位于语音代理、实时转录工具、无障碍解决方案、播客以及其他交互式音频工作流。

核心功能

批量和流式转录

通过 REST 工作流从大型音频文件生成转录，或使用低延迟的 WebSocket API 在语音发生时实时转录。

结构化转录输出

通过词级时间戳、说话人分离、多通道处理以及针对数字、日期、货币和类似文本的逆文本规范化，提升转录内容的可用性。

多语言支持

支持 25+ 语言，并可在不中断转录流程的情况下切换语言。

文本转语音生成

通过 REST 或实时 WebSocket 端点，将文本转换为自然、富有表现力的语音。

精细语音控制

使用内联和包裹式语音标签控制输出，例如 `[laugh]`、`[sigh]`、`[whisper]`、`<emphasis>`、`<slow>` 和 `<pause>`。

简单的按用量计费

采用按用量计费，并为批量 STT、流式 STT 和 TTS 设有不同费率。

实际用例

转录流水线
为面向客户或内部的工具添加语音识别，这些工具需要对上传的音频进行批量转录，或在对话过程中进行实时转录。
语音代理和助手
构建能够监听口语输入并返回带有时间戳、说话人标签和标准化实体的结构化文本的助手。
文本转语音输出
为旁白内容、交互式体验或无障碍功能生成语音输出，在这些场景中自然的表达很重要。
会议和通话分析
处理会议、访谈或支持通话等多说话人录音，其中说话人分离和多通道输入有助于提升可读性。
多语言音频工作流
支持跨语言协作的团队，并需要一种无需更改工作流即可在多种语言之间切换的转录系统。

Pros and Cons

Pros

提供独立的 STT 和 TTS API，适配不同的音频工作流。
同时支持 REST 和 WebSocket 访问，适用于批处理和实时场景。
包含带时间戳、说话人分离、多通道支持和逆文本规范化等转录功能。
提供覆盖 25+ 语言的多语言 STT。
为 TTS 用户提供语音标签，可对强调、停顿、耳语以及其他表达细节进行内联控制。

Cons

页面没有公布统一的全包价格；计费在 STT 和 TTS 不同使用类型之间拆分。
公告页面未列出完整费率限制，而是在 xAI API 控制台中提供。
公告页面未说明 SDK、支持的编程语言或集成合作伙伴。

FAQ

Grok STT 和 TTS APIs 有什么用途？

这些 API 是面向开发者的独立音频端点，用于向应用添加语音识别或语音合成。页面强调的使用场景包括语音代理、实时转录工具、无障碍工具、播客以及交互式音频体验。

这些 API 支持哪些接口？

Speech to Text 可通过批量 REST API 和实时 WebSocket API 使用。Text to Speech 也可通过 REST 和 WebSocket 端点使用，因此开发者可以选择批处理或流式工作流。

Grok STT 包含哪些转录功能？

这些语音 API 支持覆盖 25+ 语言的多语言转录。页面还强调了词级时间戳、说话人分离、多通道支持，以及用于结构化转录输出的逆文本规范化。

Grok TTS 如何处理语音风格和表现力？

Text to Speech 支持自然、富有表现力的声音，并提供语音标签以便对韵律和情感进行精细控制。页面列出的示例包括内联和包裹式标签，如 `[laugh]`、`[sigh]`、`[whisper]`、`<emphasis>`、`<slow>` 和 `<pause>`。

定价结构是怎样的？

定价按用量计费。页面说明 Speech to Text 按批处理和流式使用的每小时计费，Text to Speech 按每百万字符计费。当前费率限制和完整详情可在 xAI API 控制台中查看。

Quick Facts

类别: 开发者工具
源域名: x.ai
主要产品: Grok Speech to Text 和 Grok Text to Speech
访问方式: REST API 和 WebSocket API
定价模式: 按用量计费
语言支持: STT 支持 25+ 语言